遥感数据 | 全球首套30米近逐日精细湿地动态数据集(2013-2024)发布! 深度学习等算法集成应用

RS DL

数据介绍

题目：30 m Global Near-Daily Wetland Dynamics (2013-2024)

数据：https://data-starcloud.pcl.ac.cn/iearthdata/60（数据持续更新中）

年份：2025

单位：香港大学，鹏城实验室，中国科学院，北京师范大学，首都师范大学，中山大学，宁波大学等

注：本篇由数据作者审阅

图1. 全球湿地动态结果概览图

研究背景

湿地因其丰富的自然资源与生态功能，成为支撑全球可持续发展的关键生态资产。其短期高频变化与长期退化不仅深刻调控生物多样性与碳循环，而且直接影响防洪减灾等核心生态系统服务。全球范围内持续的湿地流失与功能衰退，迫切呼唤依托科学规划、精细管理与系统修复，推动湿地保护与恢复。这对具备高一致性、全球覆盖、高时间分辨率与跨年度连续性的湿地空间信息提出了前所未有的需求。然而，湿地自身结构异质、动态复杂，且高度敏感于人类活动干扰；与此同时，遥感观测长期受限于重访周期长、云影遮挡、训练样本稀缺与算力成本高昂等瓶颈，导致现有的大尺度湿地监测大多仍停留在静态制图或单时相分析层面，难以精准刻画湿地的时空动态演变。缺乏持续更新、时效性强的全球湿地分布数据，已成为制约资源管理、生态保护与全球变化研究的重要障碍。

图2. 全球湿地精细样本分布图

针对上述问题，在鹏城实验室的遥感数据计算平台iEarth的支持下，香港大学、鹏城实验室、中国科学院等多家单位联合组成的全球湿地动态制图研究组基于此前发布的全球30米无缝数据立方体SDC30，研发了集成深度学习、机器学习和逐级知识引导分类算法的大尺度湿地分类框架方法。该研究利用多源参考数据，以及全球训练样本采集，完成了全球首套30米空间分辨率、4天时间频率、多类型（3个大类、13个小类）的精细湿地动态制图数据集GWD30（2013年-2024年）。

研究方法

研究组首先使用动态样本生成方法，利用时-谱双维嵌入和分层变分自编码器，自动识别并校正静态标签时滞，生成完整的全球湿地动态样本；其次基于机器学习分类器以及逐级知识引导分类算法，结合形态、地理位置等信息，完成湿地动态的精细制图。通过全球分布的118328个独立样本验证，总体准确率达82.59%。

图3. 整体技术流程图

图4. 动态样本生成方法

结果与发现

图5. 可视化结果

图6. 可视化结果

图7. 可视化结果

研究发现，全球湿地面积呈现逐步下降的趋势，2013年到2017年下降趋势明显，2017年后下降趋势减缓。平均年变化率为-0.025%，逐年的变化率分别为-0.122%，0.007%，-0.060%，-0.054%，0.001%，-0.003%，0.011%，-0.007%，-0.001%。不同的湿地类型的面积均呈现明显的季节性波动。其中，自然湖泊与河流变化相对稳定，内陆草本沼泽有逐年下降的趋势。

图8. 全球湿地变化趋势

该研究使得对湿地动态的前所未有的精确监测成为可能，可以支撑甲烷排放、碳收支估算等相关的动态科学研究和湿地保护的动态决策。

研究组

全球湿地动态制图研究组人员名单：